大スケールSi@Cコアシェルアノードのリチエーションダイナミクスの加速原子論的シミュレーションのための高度な機械学習原子間ポテンシャル

科学分野:

• 材料科学
• 電気化学
• 計算化学

背景:

• シリコンアノードはリチウムイオン電池に高い容量を提供しますが、リチエーション中に大きな体積膨張が生じ、サイクル寿命が制限されます。
• シリコンのリチエーションの原子スケールのダイナミクスを理解することは、安定したアノードを設計するために不可欠です。

研究 の 目的:

• シリコン炭素アノードのリチエーションダイナミクスをシミュレートするための効率的な計算モデルを開発すること。
• 体積膨張とリチウム分布に対する炭素シェル厚さの役割を調査すること。

主な方法:

• 原子論的シミュレーションのためのニューロエボリューションポテンシャル（NEP）モデルの開発。
• トレーニングデータサイズを最適化するための直接サンプリング戦略の利用。
• リチエーション中のシリコン炭素コアシェル構造の大規模シミュレーションの実行。

主要な成果:

• NEPモデルは、密度汎関数理論の精度に近い精度で、ab initio分子動力学と比較して約70,000倍の速度向上を達成しました。
• 約4nmの炭素層が体積膨張を1%未満に最小化し、内部膨張/外部ロッキング機構を可能にすることがわかりました。
• モデルは、さまざまな構造構成にわたって、原子力、動径分布関数、リチウム拡散係数を正確に予測しました。

結論:

• 機械学習原子間ポテンシャルは、材料設計において計算上の実現可能性と原子論的な精度を橋渡しするための強力なツールです。
• 約4nmの炭素シェルは、シリコン炭素アノードの体積膨張を抑制し、サイクリング安定性を向上させるのに最適です。
• この研究は、次世代の高性能シリコン炭素アノードの設計に基本的な洞察を提供します。